[发明专利]域适应的激光雷达点云语义分割方法、设备及存储介质

说明书

本发明公开了一种域适应的激光雷达点云语义分割方法、设备及存储介质，方法包括：步骤1，通过目标域模拟采样数据对齐方式初步训练激光雷达点云语义分割网络模型，基于初步训练的激光雷达点云语义分割网络模型通过场景混合和伪标签修正结合的方式训练激光雷达点云语义分割网络模型，得到训练好的激光雷达点云语义分割网络模型；步骤2，通过训练好的激光雷达点云语义分割网络模型对目标域点云数据进行语义分割，得出目标域点云数据的语义分割结果。该方法使得在完全没有或仅有少量目标场景数据标注的情况下完成对激光雷达点云语义分割网络模型的训练，实现对目标域激光雷达点云数据进行语义分割。

技术领域

本发明涉及计算机视觉领域，尤其涉及一种域适应的激光雷达点云语义分割方法。

背景技术

点云语义分割是计算机视觉领域中的一个基本任务，在机器人和自动化领域中应用广泛。而激光雷达点云语义分割对于自动驾驶的场景理解具有重要意义。为了解决这个问题，目前许多方法使用人工标注的点云数据来有监督地训练深度神经网络模型，如：文献：B.Wu,et al.,“SqueezeSeg:Convolutional neural nets with recurrent CRF forreal-time road-object segmentation from 3D LiDAR point cloud”,in ICRA,2018；Y.Zhang,et al.,“PolarNet:An improved grid representation for online LiDARpoint clouds semantic segmentation”,in CVPR,2020；X.Zhu,etal.,“Cylindrical andasymmetrical 3D convolution networks for LiDAR segmentation”,in CVPR,2021等公开的方法，在测试阶段使用训练好的模型对采集到的激光雷达点云进行语义分割。但是这种全监督的深度学习方法依赖于成本高昂的有限人工标注训练数据，而实际应用场景的变化(包括传感器和场景内容变化)可能导致测试阶段的点云数据和训练阶段的点云数据在数据特性方面存在较大差异，最终导致在目标域点云数据上的语义分割测试结果较差。近年来，无监督域适应的语义分割方法，如文献：S.Zhao,et al.,“ePointDA:An end-to-endsimulation-to-real domain adaptation framework for LiDAR point cloudsegmentation”,in AAAI,2021；L.Yi,et al.,“Completelabel:A domain adaptationapproach to semantic segmentation of LiDAR point clouds”,in CVPR,2021等公开的方法被广泛关注，此类方法利用现有的已标注的源域激光雷达点云数据(可简称为源域点云数据)和未标注的目标场景的目标域激光雷达点云数据(可简称为目标域点云数据)训练深度神经网络模型，提高深度神经网络模型在目标域点云数据上的测试结果。这种方法不需要人工重新标注数据，降低了实际应用成本，但由于缺乏准确的指导信息，目前在激光雷达点云语义分割上的效果还远不能满足实际需要。

有鉴于此，特提出本发明。

发明内容

本发明的目的是提供了一种域适应的激光雷达点云语义分割方法、设备及存储介质，能在无监督或半监督条件下对目标域激光雷达点云数据进行准确的语义分割，满足实际场景的需求，进而解决现有技术中存在的上述技术问题。

本发明的目的是通过以下技术方案实现的：

本发明实施方式提供一种域适应的激光雷达点云语义分割方法，包括：

步骤1，通过目标域模拟采样数据对齐方式初步训练激光雷达点云语义分割网络模型，基于初步训练的激光雷达点云语义分割网络模型通过场景混合和伪标签修正结合的方式训练激光雷达点云语义分割网络模型，得到训练好的激光雷达点云语义分割网络模型；